本文提出了一种基于强化学习和图卷积神经网络的动态虚拟网络嵌入算法，将自定义的适应度矩阵和适应值作为目标函数，实现了高效的动态虚拟网络嵌入，有效降低了资源碎片化程度，并验证了该算法具有优秀的灵活性和基本 VNE 特性。

Feb, 2022

本文提出了一种新的虚拟网络嵌入算法 NEPA，该算法与 NRPA 和邻域搜索相结合，通过 “猴子式” 的跳跃方式学习并改进嵌入决策，并在真实和合成拓扑上取得比其他同类算法更好的结果。

Feb, 2022

通过引入逻辑规则和对称路径规则，我们提出了一种名为 Virtual Neighbor（VN）网络的新框架来解决嵌入方法中的邻居稀疏问题，该网络在两个知识图完成任务上明显优于现有方法，并且对邻居稀疏问题高度稳健。

Feb, 2024

本文提出了一种基于延迟预测的多域虚拟网络嵌入算法 (DP-VNE)。通过预估虚拟请求的延迟，选取候选物理节点，然后使用粒子群优化算法来优化映射过程，从而降低系统延迟。仿真结果表明，相比其他三种高级算法，本文提出的算法能够显著降低系统延迟同时保持其他指标不受影响。

Feb, 2022

本文提出了一种深度分层强化学习方法，命名为 HRL-ACRA，用于解决虚拟网络嵌入中的综合接纳控制和资源分配问题。通过分解 VNE 过程为上层策略和下层策略，考虑到无限时间问题和奖励稀疏问题，采用了平均奖励方法和自定义多目标内在奖励。同时，利用深度特征感知图神经网络和序列到序列模型，能够更好地获取 VNR 和物理网络的特征，并生成嵌入行动。实验证明 HRL-ACRA 在接纳率和长期平均收入方面优于现有基线算法。

Jun, 2024

在本研究中，我们提出了一种名为 FlagVNE 的灵活且具有普适性的虚拟网络嵌入的强化学习框架，通过设计双向基于动作的马尔可夫决策过程模型，使用层次解码器来生成自适应的动作概率分布，并采用元强化学习的训练方法和课程计划策略来解决动作空间扩展和泛化问题，进而提高解决方案空间的探索灵活性和训练效率，实验证明了 FlagVNE 在多个关键指标上的有效性。

Apr, 2024

本研究提出了一种多目标优化的虚拟网络嵌入算法，旨在高效分配无线网络资源，实验结果表明，该算法在映射成本、网络延迟和虚拟网络请求接受率等三个指标方面优于其他算法，并体现了该算法在无线网络资源分配中的有效性。

Feb, 2022

在 IoT 环境下，为了在网络负载大且性能需求高的情况下提供更灵活的虚拟网络映射服务，提出了一种基于混合遗传算法的虚拟网络映射策略，包括动态计算交叉概率和基于信息素的变异基因选择策略，以及基于负载均衡的权重更新机制。仿真结果表明，该方法在多项性能指标方面表现良好。

Feb, 2022

该论文提出一种基于多域架构和遗传变异因素优化的多域虚拟网络嵌入算法，通过加权累加法将多目标问题转化为单目标问题，选择相应物理域上的成本最低点作为备选节点，此算法在延迟、成本、综合性指标等方面都优于 MC-VNM、LID-VNE 和其他算法。

Feb, 2022

本文提出了一种新的神经贝叶斯个性化排序网络嵌入方法 ——Neural-Brane，该方法结合了节点的拓扑信息和节点属性，利用贝叶斯个性化排序目标函数来提取节点的潜在特征表示，并在四个真实数据集上验证了其优越性。

Apr, 2018